IntrusionX：一种基于松鼠搜索优化的混合卷积-LSTM深度学习框架用于网络入侵检测
密码学与安全
2025-10-06 v2 机器学习
摘要
入侵检测系统（Intrusion Detection System, IDS）面临着不断演变的网络攻击、高维流量数据以及基准数据集如NSL-KDD中严重类别不平衡的持续挑战。为此，我们提出一种名为IntrusionX的混合深度学习框架，该框架集成了用于局部特征提取的卷积神经网络（Convolutional Neural Network, CNN）和用于时序建模的长短期记忆网络（Long Short-Term Memory, LSTM）。该体系结构进一步通过松鼠搜索算法（Squirrel Search Algorithm, SSA）进行优化，实现有效的超参数调优，同时保持计算效率。我们的管道包含严格的预处理、分层数据划分以及动态类别权重，以增强对稀有类别的检测。在NSL-KDD上的实验评估表明，IntrusionX在二分类中实现98%的准确率，在5分类中实现87%的准确率，并在少数类别召回率上显著提升（U2R: 71%, R2L: 93%）。IntrusionX的新颖之处在于其具有可复现、针对不平衡设计的metaheuristic优化能力。
引用
@article{arxiv.2510.00572,
title = {IntrusionX: A Hybrid Convolutional-LSTM Deep Learning Framework with Squirrel Search Optimization for Network Intrusion Detection},
author = {Ahsan Farabi and Muhaiminul Rashid Shad and Israt Khandaker},
journal= {arXiv preprint arXiv:2510.00572},
year = {2025}
}